改进遗传神经网络控制混沌运动的研究.pdfVIP

第7卷第 1期2009年3月 动 力 学 与控 制 学 报 V0I．7No．1 1672-6553／2009／07(1)／024-5 JOURNALOFDYNAMICSANDCONTROL Mar．20o9 改进遗传神经网络控制混沌运动的研究水 陈玲莉 谭宁 黎红岗 梁欧 (西安交通大学航天航空学院，西安 710049) 摘要 用最大Lyapunov指数构造遗传算法中的适应度函数，通过遗传算法优化神经网络的权系数．根据所 得到的适应度函数和权系数来构造遗传神经网络控制器，从而提高神经网络控制效果．对离散系统Logistic 映射和连续系统Rossler方程、AFM(原子力显微镜)悬臂梁振动系统的混沌运动分别进行了仿真控制．数值 实验结果表明本文改进的遗传神经网络控制方法对离散或者连续的混沌系统都能控制到低周期轨道上去， 证明了算法的有效性． 关键词 混沌控制， 改进遗传算法 ，神经网络控制 度函数，通过遗传算法优化神经网络的权系数．根 引言 据所得到的适应度函数和权系数来构造遗传神经 混沌行为是动力学系统中的一种复杂现象，在 网络控制器，从而提高神经网络控制效果，数值模 许多动力学系统中广泛存在，它是一种复杂的确定 拟证 明了算法的有效性． 性非线性运动，对于初值极端敏感，其骨架 由无穷 1 改进遗传算法与神经网络控制器 多的不稳定周期轨道构成．实践证明能够通过微小 信号来控制混沌，使系统运行在其中的某一个不稳 神经网络控制是将神经网络在相应的控制结 定周期轨道上[1引．这种控制方法已经成功的应 构中当做控制器，将遗传算法用于神经网络控制器 用到许多实际系统中． 的学习和训练，即用遗传算法来优化网络的权系 近年来，应用神经网络作为控制器控制混沌系 数，既具有神经网络的广泛映射能力，又具有遗传 统已经取得了一定成果 ，所采用的一般是多层前馈 算法的全局、并行寻优及增强式学习能力，可提高 神经网络模型，网络训练算法多采用反向传播算 控制系统的性能．典型的控制结构如图1、图2所 法，一般反向传播算法都存在收敛慢，且容易出现 示． 局部最优解的不足 j．因此，引人一种训练速度快， 能够全局寻优的网络训练算法已成为构造神经网 络控制器的关键 ． 遗传算法是模拟生物的遗传和长期进化过程 而发展起来的一种搜索和优化算法，对所求解的问 题无连续性和无可微性的要求，只需知道 目标函数 图 1 网络拓扑结构 的信息．例如，利用遗传算法寻求 目标函数的极大 Fig．1 Thetopologyofaneuralnetwork 值或者极小值问题，只需知道理论上的极大或者极 主要是利用遗传算法来优化神经网络的权系 小值．而且它的寻优过程始终保持整个种群的进 数，在遗传算法中采用了直接编码法．由于神经网 化，不是一点，而是在群体中搜索最优解．因此将遗 络每一个权系数都是一个实数，因此本文用权系数 传算法作为网络训练算法构造混沌控制器，已成为 代替编码后的二进制串，直接用实数编码．具体操 目前一个非常重要的应用研究方向．